Séance de cours

Random Walks: Retourne les probabilités dans plusieurs dimensions

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

PHYS-216: Méthodes mathématiques (pour SPH)

Ce cours est un complément aux cours d'analyse et d'algèbre linéaire qui apporte des méthodes et des techniques mathématiques supplémentaires requises pour les cours de physique de 3e année, notamment l'électrodynamique et la mécanique quantique. ...

Description

Cette séance de cours traite du cadre mathématique pour analyser les marches aléatoires sur un réseau de dimensions d. L'instructeur commence par définir la probabilité qu'une particule revienne à sa position initiale après une marche aléatoire. La discussion comprend l'utilisation de la série de Fourier pour simplifier l'évolution temporelle de la distribution de probabilité. L'instructeur explique comment calculer la probabilité de retour en utilisant le nombre attendu de retours et introduit le concept de transformées de Fourier. La séance de cours met en évidence les différences de probabilités de retour entre les dimensions, notant que dans une et deux dimensions, la particule reviendra presque sûrement à l'origine, tandis que dans trois dimensions ou plus, la probabilité de retour diminue. L'instructeur explore également les implications de ces résultats pour comprendre les marches aléatoires dans divers contextes physiques, en soulignant l'importance de la dimensionnalité dans la détermination du comportement de la marche aléatoire. La séance de cours se termine par une discussion sur la convergence des intégrales liées à ces probabilités et la signification de ces résultats en physique statistique.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e·s (3)

Stephan Brunner

Enseignement et PhD Doctorant·es actuel·les Hugo Jean Elie Chkroun, Nicole Vadot, Oraz Anuaruly, Haomin Sun, Isabel Muzio, Fabien Nicolas Jeanquartier A dirigé les thèses EPFL de Ajay Chandrarajan Jayalekshmi, Arnas Volcokas A co-dirigé les thèses EPFL de Xavier Lapillonne, Thibaut Vernay, Julien Stanislas Pierre Dominski, Gabriele Merlo, Emmanuel Lanti, Noé Ohana, Moahan Murugappan Cours Plasma instabilities PHYS-736 To complete the theoretical knowledge acquired before the graduate studi

Sylvain Bréchet

Sylvain Bréchet est né le 13 octobre 1981 à Moudon (lieu d'origine Epesses, VD). Il a obtenu un Master de physique à l'EPFL en 2005. Il est allé à Cambridge pour y effectuer une thèse en cosmologie théorique de 2005 à 2009 sous la direction du Prof. Anthony Lasenby (FRS) et du Prof. Michael Hobson au Cavendish Laboratory de l'Université de Cambridge. Il est revenu à l'EPFL où il est depuis 2010 chargé de cours et collaborateur scientifique à l'institut de physique de la matière condensée. Il a enseigné la mécanique classique, la relativité restreinte et la thermodynamique à des étudiants en génie mécanique, en génie électrique et en physique. Il rédige actuellement un ouvrage de thermodynamique.

Jonathan Graves

Prof. Jonathan P. Graves is a Senior Scientist at EPFL and Honorary Visiting Professor at the University of York, UK. He achieved first class joint honours in Electronic Engineering and Mathematics from the University of Nottingham, UK in 1996. He completed his Ph.D. in Theoretical Mechanics from the University of Nottingham, UK, three years later in 1999. During his Ph.D. he was based in the Culham theory group of the United Kingdom Atomic Energy Authority, developing kinetic descriptions of the internal kink instability, and participating in deuterium-tritium experimental analysis in the Joint European Torus. After a short time in industry, and a postdoc at Nottingham University, he took a position at the Swiss Plasma Center at EPFL, becoming a Senior Scientist in 2014, and became an Honorary Visiting Professor at the University of York, UK, in 2020. In 2015 he became a member of the EUROfusion Scientific and Technical Advisory Committee (STAC) and a member of the EUROfusion DEMO Technical Advisory Group. He is on the editorial board for the journal Plasma Physics and Controlled Fusion, and in 2020 became Scientific Secretary of the Varenna-Lausanne International Workshop in Theory of Fusion Plasmas.

Source officielle

Concepts associés (32)

Probabilité

vignette|Quatre dés à six faces de quatre couleurs différentes. Les six faces possibles sont visibles. Le terme probabilité possède plusieurs sens : venu historiquement du latin probabilitas, il désigne l'opposé du concept de certitude ; il est également une évaluation du caractère probable d'un événement, c'est-à-dire qu'une valeur permet de représenter son degré de certitude ; récemment, la probabilité est devenue une science mathématique et est appelée théorie des probabilités ou plus simplement probabilités ; enfin une doctrine porte également le nom de probabilisme.

Théorie des probabilités

La théorie des probabilités en mathématiques est l'étude des phénomènes caractérisés par le hasard et l'incertitude. Elle forme avec la statistique les deux sciences du hasard qui sont partie intégrante des mathématiques. Les débuts de l'étude des probabilités correspondent aux premières observations du hasard dans les jeux ou dans les phénomènes climatiques par exemple. Bien que le calcul de probabilités sur des questions liées au hasard existe depuis longtemps, la formalisation mathématique n'est que récente.

Axiomes des probabilités

En théorie des probabilités, les axiomes de probabilités, également appelés axiomes de Kolmogorov du nom d'Andreï Nikolaievitch Kolmogorov qui les a développés, désignent les propriétés que doit vérifier une application afin de formaliser l'idée de probabilité. Ces propriétés peuvent être résumées ainsi : si est une mesure sur un espace mesurable , alors doit être un espace de probabilité. Le théorème de Cox fournit une autre approche pour formaliser les probabilités, privilégiée par certains bayésiens.

Espace probabilisé

Un espace de probabilité(s) ou espace probabilisé est construit à partir d'un espace probabilisable en le complétant par une mesure de probabilité : il permet la modélisation quantitative de l'expérience aléatoire étudiée en associant une probabilité numérique à tout événement lié à l'expérience. Formellement, c'est un triplet formé d'un ensemble , d'une tribu sur et d'une mesure sur cette tribu tel que . L'ensemble est appelé l'univers et les éléments de sont appelés les événements.

Bayesian probability

Bayesian probability (ˈbeɪziən or ˈbeɪʒən ) is an interpretation of the concept of probability, in which, instead of frequency or propensity of some phenomenon, probability is interpreted as reasonable expectation representing a state of knowledge or as quantification of a personal belief. The Bayesian interpretation of probability can be seen as an extension of propositional logic that enables reasoning with hypotheses; that is, with propositions whose truth or falsity is unknown.

Afficher plus

Séances de cours associées (64)

Éléments de la statistique : probabilité et variables aléatoires

Introduit des concepts clés en variables de probabilité et aléatoires, couvrant les statistiques, les distributions et la covariance.

Dépendance et corrélation

Explore la dépendance, la corrélation et les attentes conditionnelles en matière de probabilité et de statistiques, en soulignant leur importance et leurs limites.

Probabilité et statistiques

Couvre les moments, la variance et les valeurs attendues dans les probabilités et les statistiques, y compris la distribution des jetons dans un produit.

Loi des grands nombres : Convergence forte

Explore la forte convergence des variables aléatoires et l'approximation de la distribution normale dans les probabilités et les statistiques.

Modèles linéaires généralisés

Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.

Afficher plus

Concepts associés (32)

Probabilité

Théorie des probabilités

Axiomes des probabilités

Espace probabilisé

Bayesian probability

Afficher plus